Digitalisierung und Künstliche Intelligenz in der Pathologie am Beispiel des Lungenkarzinoms

Digitalization and Artificial Intelligence in Pathology Using Lung Cancer as an Example

Konrad Steinestel^a, Lena-Maria Löwer-Kiem^a

^a Institut für Pathologie und Molekularpathologie, Bundeswehrkrankenhaus Ulm

Zusammenfassung

Die Digitalisierung diagnostischer Workflows und der Einsatz künstlicher Intelligenz (KI) verändern die moderne Pathologie grundlegend. Am Beispiel des nicht-kleinzelligen Lungenkarzinoms (NSCLC) werden aktuelle Entwicklungen und Perspektiven der KI-basierten Auswertung histologischer und molekularer Biomarker dargestellt. Während supervidierte Lernverfahren bereits eine reproduzierbare und objektive Beurteilung immunhistochemischer Biomarker wie PD-L1 ermöglichen, eröffnen nicht-supervidierte und hybride Ansätze neue Wege zur Hypothesengenerierung und Mustererkennung. Die Nutzung synthetischer Trainingsdaten und multimodaler Modelle könnte künftig die diagnostische Präzision weiter verbessern. Trotz dieser ­Fortschritte bleibt die pathologische Expertise unverzichtbar, insbesondere bei der Auswahl und Qualitätsbeurteilung der Rohdaten, der klinischen Interpretation, der Kontextualisierung und Qualitätssicherung der Ergebnisse.

Schlüsselwörter: Künstliche Intelligenz, Pathologie, Lungenkarzinom, Digitalisierung, Mustererkennung

Summary

The digitalization of diagnostic workflows and the implementation of artificial intelligence (AI) are fundamentally transforming modern pathology. Using non-small cell lung cancer (NSCLC) as an example, this paper highlights recent developments and perspectives in AI-based evaluation of histologic and molecular biomarkers. While supervised learning algorithms already enable reproducible and objective assessment of immunohistochemical biomarkers such as PD-L1, unsupervised and hybrid approaches open new pathways for hypothesis generation and pattern recognition. The use of synthetic training data and multimodal AI architectures may further enhance diagnostic precision in the future. Despite these advances, pathological expertise remains indispensable – particularly in the selection and quality assessment of raw data, as well as in the clinical interpretation, contextualization, and quality assurance of results.

Keywords: artificial intelligence; pathology; lung cancer; digitalization; pattern recognition

Einleitung

Die Pathologie nimmt eine zentrale Rolle in der Präzisionsonkologie ein [26]. Biomarkerbasierte Diagnostik bildet die Grundlage für molekular zielgerichtete Therapieentscheidungen. Mit der zunehmenden Digitalisierung von Laborprozessen und der Einführung KI-basierter Auswertungsverfahren entsteht ein Paradigmenwechsel: Die traditionelle, zumindest in Teilen subjektive Mikroskopie wird schrittweise durch objektive, datengetriebene Analyseverfahren ergänzt.

Im Fokus steht dabei das fortgeschrittene nicht-kleinzellige Lungenkarzinom (NSCLC), bei dem durch die Identifikation molekularer Zielstrukturen für gezielte Therapien bahnbrechende Verbesserungen bei den Therapieerfolgen und den Überlebensraten erzielt werden konnten [6]. Inzwischen spielt auch beim frühen/operablen Lungenkarzinom die Quantifizierung der PD-L1-Expression, eines Checkpoint-Moleküls auf der Oberfläche von Tumorzellen, eine wesentliche Rolle als Biomarker für die neoadjuvante und perioperative Behandlung [19]. In der Bundeswehr ist das Lungenkarzinom von besonderer wehrmedizinischer Relevanz, da thorakale Verletzungen einen hohen Anteil an vermeidbaren Todesfällen nach Verwundungen ausmachen und die thoraxchirurgische Expertise im Sanitätsdienst somit unbedingt erhalten werden muss [11][14]. Hinzu kommt eine überdurchschnittlich hohe Raucherprävalenz (bis zu 55 %) unter Soldatinnen und Soldaten, wodurch sich ein relevanter präventivmedizinischer Bedarf bis hin zu einer Implementierung des (im zivilen Gesundheitssystem kurz vor der Einführung stehenden) Lungenkrebsscreenings auch in der Bundeswehr ergibt [23][26].

Methodischer Hintergrund

Digitaler Workflow in der Pathologie

Die diagnostische Pathologie und Molekularpathologie generieren sowohl bildbasierte als auch numerische Daten (Abbildung 1). Histologische und immunhistochemische (IHC-) Färbungen (z. B. Hämatoxylin-Eosin, Elastica-Färbung, PD-L1) liefern visuelle Informationen, während molekularpathologische Tests (z. B. auf Veränderungen der EGFR-, ALK- oder ROS1-Gene mittels DNA-/RNA-Sequenzierung oder Fluoreszenz-in-situ-Hybridisierung) numerische bzw. kategoriale Daten produzieren. Die Integration dieser Daten in digitale Workflows ist Voraussetzung für die Anwendung von KI-Systemen [9][24].

Abb. 1: Datentypen in der Pathologie als Grundlage für KI-augmentierte Diagnostikprozesse

KI-Modelle und Lernparadigmen

KI-Modelle basieren vorwiegend auf tiefen neuronalen Netzen (Convolutional Neural Networks, abgekürzt CNNs, und Transformer-Architekturen).

• Supervidiertes Lernen

Training anhand annotierter Bilddaten, dadurch hohe Erklärbarkeit und Steuerbarkeit, aber limitiert durch Datenumfang und menschliche Fehler.

• Nicht supervidiertes Lernen

erfordert keine menschlichen Annotationen, ermöglicht explorative Analysen und Hypothesengenerierung, jedoch mit eingeschränkter Nachvollziehbarkeit („Black-Box“-Problematik).

• Hybride Modelle

kombinieren beide Ansätze, um biologische Komplexität und algorithmische Generalisierbarkeit zu vereinen.

Ein aufkommender Forschungszweig ist die Verwendung synthetischer Trainingsdaten, um seltene oder grenzwertige Befundmuster realistisch zu simulieren und das Modelltraining zu erweitern [16][18]. Dies ermöglicht ein gezieltes Training in Grenzbereichen, in denen die Fallzahl durch die natürliche Häufigkeitsverteilung limitiert ist (z. B. seltene Differenzierungsmuster des Lungenkarzinoms oder PD-L1-tumor proportion score [TPS-] Werte um 1 % oder 50 %).

Ergebnisse und Anwendungsbeispiele

KI-gestützte Typisierung und Graduierung beim NSCLC

Erste Studien zeigen, dass KI-Modelle histologische Subtypen und Tumorgrade beim kolorektalen Karzinom und beim NSCLC zuverlässig identifizieren können [19]. Darüber hinaus sind KI-Modelle in der Lage, auch tumor­infiltrierende Lymphozyten oder Veränderungen des Tumorstroma zu erkennen und zu quantifizieren [22]. Zur Anwendung kommen bislang zumeist sogenannte Foundation Models. Diese Modelle, die auf gewaltigen Datensätzen trainiert werden, nutzen self-supervised learning (SSL)-Ansätze – insbesondere contrastive learning und masked image modelling – zur Extraktion aussagekräftiger Merkmale histologischer Gewebeproben. Durch die Fähigkeit, aus umfangreichen, nicht annotierten Daten zu lernen, wird der Bedarf an manueller Labelerstellung (menschliche Annotation) erheblich reduziert. Im praktischen Einsatz erfolgt eine Zerlegung der Whole-Slide-Images (WSIs) in nicht überlappende Bildausschnitte, aus denen Merkmale extrahiert und in nachgelagerten Modellen (z. B. Vision Transformers, ViTs) für spezifische Fragestellungen wie Mutationsvorhersage, Überlebensanalyse, Krankheitsgradierung oder Tumorklassifikation herangezogen werden. Trotz der Verfügbarkeit großer proprietärer Kohorten (z. B. Mass-100K, Providence, MSKCC) blieb die klinisch-praktische Evaluation von Foundation Models allerdings bisher auf enge Benchmarks beschränkt. Diese eingeschränkte Testpraxis begrenzt die systematische Beurteilung ihrer Leistungsfähigkeit in klinisch relevanten Anwendungsszenarien [17].

PD-L1-Expression und KI-gestützte Bewertung beim NSCLC

Die Expression des Checkpoint-Moleküls PD-L1 auf Tumorzellen wird derzeit mittels Immunhistochemie (IHC) und anschließender mikroskopischer (lichtmikroskopischer oder digitaler) Auswertung beurteilt (Abbildung 2). Der daraus resultierende Tumor Proportion Score (TPS) beschreibt das Verhältnis zwischen PD-L1-positiven Tumorzellen und der Gesamtzahl der Tumorzellen in der jeweiligen Probe. Hohe TPS-Werte sind mit einem besseren Ansprechen auf Immuncheckpoint-Inhibitoren, die gegen PD-1 oder PD-L1 gerichtet sind, sowie mit einem verlängerten Gesamtüberleben bei Patientinnen und Patienten mit NSCLC assoziiert [7][21].

Abb. 2: (A) Immunhistochemische Färbung auf PD-L1 am Gewebeschnitt eines Lungenkarzinoms; (B) KI-gestützte Bestimmung des PD-L1 Tumor Proportion Score (TPS; Verhältnis zwischen PD-L1-positiven Tumorzellen und der Gesamtzahl der Tumorzellen) durch die Software Mindpeak (Fa. Mindpeak, Hamburg, DE).

Die manuelle Beurteilung der PD-L1-Färbung bedeutet in der Praxis jedoch eine erhebliche Herausforderung. Ursachen hierfür sind die biologische Heterogenität des Tumors, unterschiedliche Leistungsfähigkeit der verwendeten Antikörperklone sowie eine relevante Interobserver-Variabilität zwischen den Auswertenden [5][12]. Für die Bewertung des PD-L1 TPS beim NSCLC wurde ein gewichteter Kappa-Wert (unter menschlichen Auswertenden) von 0,71–0,96 beschrieben [2]. In derselben Studie zeigten bis zu 20 % der Fälle eine abweichende Klassifikation (positiv vs. negativ), wenn ein Schwellenwert von TPS ≥ 1 % verwendet wurde (0–5 % Abweichung bei einem Schwellenwert von TPS ≥ 50 %). Weitere Untersuchungen bestätigen zwar eine insgesamt hohe Übereinstimmung, zeigen jedoch auch, dass eine gezielte Schulung in vordefinierten Auswertungsbereichen die Reproduzierbarkeit weiter verbessern kann [4]. Andere Arbeiten betonen zudem, dass die Unterscheidung zwischen „echt-positiven“ und „falsch-positiven“ Färbungen schwierig sein kann – insbesondere in Präparaten mit einem niedrigen Anteil positiver Zellen oder nur schwacher IHC-Färbung [25]. Diese Problematik ist von erheblicher klinischer Relevanz, da ein Unter- oder Überschätzen des TPS zu einer Unter- bzw. Übertherapie bei einer relevanten Zahl von NSCLC-Patientinnen und -patienten führen kann.

Das KI-gestützte PD-L1 TPS-Scoring beim NSCLC hat sich als grundsätzlich machbar erwiesen, wobei die Ergebnisse mit der Bewertung erfahrener Pathologinnen und Pathologen vergleichbar sind [3][13]. Darüber hinaus konnte gezeigt werden, dass KI-Unterstützung die Reproduzierbarkeit und Effizienz auch weniger erfahrener Auswertender verbessert [27]. Die automatisierte Bestimmung des PD-L1-TPS durch Algorithmen wie Mindpeak (Fa. Mindpeak, Hamburg, DE) demonstriert eine hohe Reproduzierbarkeit über verschiedene Scannerplattformen hinweg (Abbildung 2B)[8]. Im April 2025 erhielt zudem der VENTANA TROP2 (EPR20043) RxDx Assay von Roche/Ventana Medical Systems (Fa. Ventana, Tucson, USA) die Breakthrough Device Designation (BDD) der U.S. Food and Drug Administration (FDA). Der potenzielle Biomarker für das Antikörper-Wirkstoff-Konjugat Datopotamab Deruxtecan (DATO-DXd, Datroway) beim fortgeschrittenen NSCLC nutzt eine KI-gestützte, digitale Bildanalyse zur quantitativen Bestimmung der mittels IHC nachgewiesenen TROP2-Expression [1]. Sollte dieser Biomarker eine vollständige Zulassung erhalten, wäre es der erste gewebebasierte Biomarker, für den eine KI-gestützte Auswertung vorgeschrieben wäre. Andere, moderne Deep-Learning-Modelle erkennen molekulare Alterationen teilweise direkt in H.E.-gefärbten Gewebeschnitten; Mayer et al. (2022) konnten ALK- und ROS1-Translokationen beim NSCLC ausschließlich anhand digitaler H.E.-Bilder identifizieren [15]. Diese Ansätze schlagen eine Brücke zwischen Morphologie und Molekulardiagnostik.

Dennoch bleibt festzuhalten, dass der Einsatz von KI die wesentlichen Herausforderungen der gewebebasierten Biomarkerbestimmung bislang nicht vollständig überwindet. Wie bei der Tumorerkennung und -graduierung wurden KI-Modelle bislang ausschließlich mit realen Patientenproben trainiert. Seltene Fälle mit besonders hoher Relevanz für das Training folgen einer biologischen Verteilung und sind daher in Trainingskohorten, die meist nur einige hundert Fälle umfassen, unterrepräsentiert. Zudem müssen auch die Trainingsdaten für die Biomarkerbestimmung durch reale Pathologinnen und Pathologen annotiert werden, wodurch subjektive Bewertungsfehler einfließen und durch die KI reproduziert werden. Eine Augmentation des Trainings durch den gezielten Einsatz synthetischer Daten könnte hier Abhilfe schaffen und die Performance von KI-basierten Auswertetools erstmals zu einem neuen Goldstandard erheben.

Diskussion

Wie hier am Beispiel des Lungenkarzinoms gezeigt, besitzen KI-basierte Verfahren das Potenzial, die pathologische Diagnostik zu objektivieren und zu standardisieren. Dies beinhaltet zunächst die Erkennung und Graduierung von Diagnosen (Entzündungen, Tumoren, Degeneration), das relevantere Einsatzgebiet ist aber die objektive Messung von gewebebasierten Biomarkern – visuell und morpho-molekular. Dies könnte dazu führen, dass die Vorhersagekraft prädiktiver Biomarker verbessert wird und Patientinnen und Patienten mit größerer Sicherheit eine für den individuellen Tumor passende Therapie erhalten oder neue, komplexe Biomarker für das Therapieansprechen entdeckt werden.

Dennoch bestehen methodische und ethische Herausforderungen. Supervidierte Modelle reproduzieren menschliche Fehler, während nicht-supervidierte Modelle häufig „Black-Box“-Charakter besitzen. Die Integration erklärbarer KI und die Verwendung synthetischer, validierter Trainingsdaten sind daher entscheidende Entwicklungsschritte. In molekularen Tumorkonferenzen können KI-Systeme die Interpretation komplexer Genomdaten unterstützen. Sie bieten zudem die Möglichkeit, klinische Entscheidungsprozesse durch strukturierte Evidenz zu untermauern. Gleichwohl ist menschliche Expertise weiterhin essenziell, um algorithmische Ergebnisse in den klinischen Kontext zu übersetzen.

Schlussfolgerung

Die Digitalisierung der Pathologie ist die Grundvoraussetzung für die erfolgreiche Anwendung KI-basierter Analysetools. KI kann die Befundqualität erhöhen, Prozesse beschleunigen und eine neue Ebene der Standardisierung ermöglichen. Dennoch ersetzt sie nicht das ärztliche Urteil. Gut ausgebildete Pathologinnen und Pathologen bleiben entscheidend – als Schnittstelle zwischen Technologie, Biologie und klinischer Entscheidungsfindung.

Literatur

1. Ahn M-J, Tanaka K, Paz-Ares L, et al. Datopotamab deruxtecan versus docetaxel for previously treated advanced or metastatic non–small cell lung cancer: The randomized, open-label phase III TROPION-Lung01 study. J Clin Oncol. 2025;43(3):260–272. mehr lesen
2. Brunnström H, Johansson A, Westbom-Fremer S, et al. PD-L1 immunohistochemistry in clinical diagnostics of lung cancer: inter-pathologist variability is higher than assay variability. Mod Pathol. 2017;30(10):1411–1421. mehr lesen
3. Choi S, Cho SI, Ma M, Park S, et al. Artificial intelligence–powered programmed death ligand 1 analyser reduces interobserver variation in tumour proportion score for non–small cell lung cancer with better prediction of immunotherapy response. Europ J Cancer. 2022;170:17–26. mehr lesen
4. Cooper WA, Russell PA, Cherian M, et al. Intra-and interobserver reproducibility assessment of PD-L1 biomarker in non–small cell lung cancer. Clin Canc Res. 2017;23(16):4569–44577. mehr lesen
5. Cree IA, Booton R, Cane P, Gosney J, et al. PD‐L1 testing for lung cancer in the UK: recognizing the challenges for implementation. Histopathology. 2016;69(2):177–186. mehr lesen
6. de Jager VD, Timens W, Bayle A, et al. Developments in predictive biomarker testing and targeted therapy in advanced stage non-small cell lung cancer and their application across European countries. Lancet Reg Health Eur. 2024 Mar 1;38:100838. mehr lesen
7. Doroshow DB, Wei W, Gupta S, et al. Programmed death-ligand 1 tumor proportion score and overall survival from first-line pembrolizumab in patients with nonsquamous versus squamous NSCLC. J Thorac Oncol 2021;16(12):2139–2143. mehr lesen
8. Erber R, Banisch R, Schaaf C, et al. 1244P AI-based accurate PD-L1 IHC assessment in non-small cell lung cancer across multiple sites and scanners. Ann Oncol. 2023;34:S725. mehr lesen
9. Flinner N, Boor P, Wild PJ. Digitale Pathologie. Pathologie. 2024;45(2):88–89. mehr lesen
10. Forde PM, Spicer J, Lu S, Provencio M, et al. Neoadjuvant nivolumab plus chemotherapy in resectable lung cancer. New Engl J Med. 2022;386(21):1973–85. mehr lesen
11. Giudicelli X, Aoun O, Perchoc A, Laville V, et al. Learning trauma surgery through cytoreductive surgery. Injury. 2023;54(5):1330–1333. mehr lesen
12. Haragan A, Field JK, Davies MP, Escriu C, Gruver A, Gosney JR. Heterogeneity of PD-L1 expression in non-small cell lung cancer: Implications for specimen sampling in predicting treatment response. Lung Cancer. 2019;134:79–84. mehr lesen
13. Huang Z, Chen L, Lv L, Fu C-C, Jin Y, Zheng Q, et al. A new AI-assisted scoring system for PD-L1 expression in NSCLC. Comput Meth Programs Biomedi. 2022;221:106829. mehr lesen
14. Kuckelman J, Cuadrado D, Martin M. Thoracic trauma: a combat and military perspective. Current Trauma Reports. 2018;4(1):77–87. mehr lesen
15. Mayer C, Ofek E, Fridrich DE, et al. Direct identification of ALK and ROS1 fusions in non-small cell lung cancer from hematoxylin and eosin-stained slides using deep learning algorithms. Mod Pathol. 2022;35(12):1882–1887. mehr lesen
16. Mill L, Aust O, Ackermann JA, et al. Deep learning-based image analysis in muscle histopathology using photo-realistic synthetic data. Commun Med (Lond). 2025 Mar 6;5(1):64. mehr lesen
17. Neidlinger P, El Nahhas OSM, Muti HS, et al. Benchmarking foundation models as feature extractors for weakly supervised computational pathology[Internet]. Nat Biomed Eng. 2025 Oct 1. [Letzter Aufruf 21. Oktober 2025]Verfügbar unter: https://doi.org/10.1038/s41551-025-01516-3. Epub ahead of print. mehr lesen
18. Pantanowitz J, Manko CD, Pantanowitz L, Rashidi HH. Synthetic Data and Its Utility in Pathology and Laboratory Medicine. Lab Invest. 2024 Aug;104(8):102095. mehr lesen
19. Rashidi HH, Pantanowitz J, Hanna MG, et al. Introduction to artificial intelligence and machine learning in pathology and medicine: generative and nongenerative artificial intelligence basics. Mod Pathol. 2025;38(4):100688. mehr lesen
20. Reck M, Dettmer S, Kauczor H-U, Kaaks R, Reinmuth N, Vogel-Claussen J. Lung cancer screening with low-dose computed tomography: current status in Germany. Dt Ärzteblatt Intern. 2023;120(23):387-392. mehr lesen
21. Reck M, Rodríguez–Abreu D, Robinson AG, et al. Updated analysis of KEYNOTE-024: pembrolizumab versus platinum-based chemotherapy for advanced non–small-cell lung cancer with PD-L1 tumor proportion score of 50% or greater. J CliniOncol 2019;37(7):537–546. mehr lesen
22. Rigamonti A, Viatore M, Polidori R, et al. Integrating AI-Powered digital pathology and imaging mass cytometry identifies key classifiers of tumor cells, stroma, and immune cells in Non–Small cell lung Cancer. Canc Res. 2024;84(7):1165–1177. mehr lesen
23. Sammito S, Claus A, Rose D-M. Smoking prevalence in the area of responsibility of the German Ministry of Defense—results of the employee survey in the context of occupational health management. MilMed Res. 2020;7:1–7. mehr lesen
24. Tolkach Y, Klein S, Tsvetkov T, Buettner R. Künstliche Intelligenz und digitale Pathologie als Treiber der Präzisionsonkologie. Onkologie. 2023;29(10):839–850. mehr lesen
25. Troncone G, Gridelli C. The reproducibility of PD-L1 scoring in lung cancer: can the pathologists do better? Transl Lung Cancer Res. 2017 Dec;6(Suppl 1):S74-S77. mehr lesen
26. Vranic S, Gatalica Z. The Role of Pathology in the Era of Personalized (Precision) Medicine: A Brief Review. Acta Med Acad. 2021 Apr;50(1):47-57. mehr lesen
27. Wu J, Liu C, Liu X, Sun W, et al. Artificial intelligence-assisted system for precision diagnosis of PD-L1 expression in non-small cell lung cancer. Mod Pathol. 2022;35(3):403–411. mehr lesen

 

Manuskriptdaten

Zitierweise

Steinestel K, Löwer-Kiem LM. Digitalisierung und Künstliche Intelligenz in der Pathologie am Beispiel des Lungenkarzinoms. WMM 2025;69(12):513-516.

DOI: https://doi.org/10.48701/opus4-778

Verfasser

Oberstarzt Prof. Dr. Dr. Konrad Steinestel

Leiter der Konsiliargruppe Pathologie

Institut für Pathologie und Molekularpathologie

Bundeswehrkrankenhaus Ulm

Oberer Eselsberg 40, 89081 Ulm

E-Mail: koradsteinestel@bundeswehr.org

Manuscript Data

Citation

Steinestel K, Löwer-Kiem LM. [Digitalization and Artificial Intelligence in Pathology Using Lung Cancer as an Example]. WMM 2025;69(12):513-516.

DOI: https://doi.org/10.48701/opus4-778

Author

Colonel (MC) Prof. Dr. Dr. Konrad Steinestel

Head of Bundeswehr Medical Service Advisory Group Pathology

Institute for Pathology and Molecular Pathology

Bundeswehr Hospital Ulm

Oberer Eselsberg 40, D-89081 Ulm

E-Mail: koradsteinestel@bundeswehr.org

Künstliche Intelligenz in der Radiologie:
Erste Erfahrungen aus dem Bundeswehrkrankenhaus Berlin

Artificial Intelligence in Radiology: Initial Experiences at the Bundeswehr Hospital Berlin

Tobias Peter Schneider^a, Hannah Pecher^a, MarkusPreiß^a, Anett Mabel Tillmann^a

^aAbteilung VIII – Radiologie, Bundeswehrkrankenhaus Berlin

Zusammenfassung

Anwendungen mit künstlicher Intelligenz finden sich immer häufiger im Alltag, beispielsweise in Form von ChatGPT, Chatbots bei Dienstleistern oder in Internetvideos. Besonders das Fachgebiet der Radiologie eignet sich für die Nutzung von künstlicher Intelligenz, da hier ein Großteil der Daten vollständig digital vorliegt. Diese Daten und Metadaten können interpretierend, im Rahmen der Befundung oder nicht interpretierend im Rahmen der Bilddatenerhebung bzw. der Administration durch künstliche-Intelligenz-(KI)-Applikationen bearbeitet werden. Bei interpretierender Nutzung fungiert die künstliche Intelligenz beispielsweise als Zweitmeinung oder als Tool zur Priorisierung von Befunden, indem die pathologischen Befunde in der Arbeitsliste des Radiologen gekennzeichnet werden. Bei der nicht interpretierenden Nutzung sind Vorteile im Strahlenschutz, der Bildqualität und der besseren Auslastung der Großgeräte erkennbar.

Aus wehrmedizinischer Sicht sind die Aspekte Strahlenschutz, aufgrund des doch jüngeren Patientenklientels, aber auch die Befundpriorisierung, z. B. im Rahmen eines Massenanfalls an Verwundeten, von Bedeutung. Zu beachten sind auch Aspekte der Ausfallsicherheit und des Datenschutzes. Erste Anwendungen von KI in der Radiologie des Bundeswehrkrankenhauses Berlin zeigen einige Herausforderungen und konnten dennoch in den ersten Anwendungen vielversprechende Ergebnisse erzielen.

Schlüsselwörter: Künstliche Intelligenz (KI), Radiologie, Zweitmeinung, Priorisierung, Triage, Strahlenschutz, Bildqualität

Summary

Applications using artificial intelligence are increasingly encountered in everyday life, whether in the form of ChatGPT, chatbots used by service providers, or in internet videos. In particular, the field of radiology is well-suited for the use of artificial intelligence, as data in this discipline are available in an almost entirely digital format. These data may be processed by AI applications in either an interpretive manner, within the context of diagnostic reporting, or in a non-interpretive manner, such as during image acquisition or administrative processes. In interpretive use, artificial intelligence functions as a second opinion and may also assist in prioritizing diagnostic reporting by highlighting potentially pathological findings. In non-interpretive use, benefits can be observed in radiation protection, image quality, and improved utilization of large-scale imaging equipment. From a military medical perspective, aspects such as radiation protection – particularly relevant due to the comparatively younger patient population – as well as report prioritization, for example in the context of a mass casualty incident, are of particular importance. Aspects of reliability and data protection must also be taken into consideration. Initial applications of AI in the radiology department of the Bundeswehr hospital Berlin have revealed several challenges, yet have nonetheless demonstrated promising results in early use cases.

Keywords: artificial intelligence (AI); radiology; second opinion; prioritization;, triage; radiation protection; image quality

Einleitung und Hintergrund

Künstliche Intelligenz (KI) durchdringt zunehmend alle Lebens- und Arbeitsbereiche und gilt als Schlüssel- und Querschnittstechnologie, nicht nur im Gesundheitswesen [25]. Autonom fahrende Autos, Sprachassistenten, „Chatbots“ und sogenannte „smart homes“ gehören bereits zu unserem Alltag. Mit KI wird die Fähigkeit von Computern beschrieben, Probleme zu lösen und intelligente Entscheidungen treffen zu können [17][37]. Die KI soll das Entscheidungsmuster eines Menschen simulieren und mittels Algorithmen automatisieren. Die Einführung von KI wird als nächster Schritt in der industriellen Revolution angesehen, die bereits jetzt das Leben der Menschen fundamental verändert.

Zielbestimmungen im Gesundheitswesen sind die Verbesserung der Patientenversorgung sowie die Reduktion von Wartezeiten und Kosten [10]. Kromrey et al. zitieren Vertreter der Europäischen Union, dass 35 % der Aufgaben im medizinischen Bereich automatisiert werden können und nur so der sich hier abzeichnende Fachkräftemangel bewältigt werden kann [17].

Künstliche Intelligenzen können, nach ihrer Lehrfähigkeit, in schwache und starke KI eingeteilt werden. Schwache KI verfügen nur über eine geringe, allenfalls systematische Lernfähigkeit, während starke KI mittels Datenverständnisses oder Erfahrung lernen können [38]. Expertensysteme gehörten zur schwachen KI. Hier werden dem System verallgemeinerte Informationen und Regeln zur Verfügung gestellt, die dann auf Datenmengen angewendet werden können, um Entscheidungen treffen zu können [37].

„Machine Learning“ bezeichnet eine Fähigkeit von KI, Bildmuster in bestehenden Daten zu erkennen und diese zu nutzen, um in neuen Daten Vorhersagen treffen zu können [17]. „Machine Learning“ kann analytischen, schwachen KI-Systemen zugeordnet werden [15]. Beispiele hierzu sind die automatische Detektion und Segmentierung von Bildmustern in Bilddaten [19]. Neuronale Netze bezeichnen „Machine Learning“-Systeme, die entsprechend biologischen Strukturen konstruiert wurden. Bei „Deep Learning“ handelt es sich um Systeme, die neuronale Netze in verschiedenen Ebenen verbinden und zur Stimm- und Bilderkennung zum Einsatz kommen [17]. „Deep Learning“-Systeme können intuitiver KI zugeordnet werden und somit starken KI-Systemen. Als Beispiel für eine empathisch agierende KI kann der „Chatbot“ Replika genannt werden [15], der einen virtuellen Freund oder Begleiter simuliert und im Apple App-Store erhältlich ist. KI in der Radiologie basiert zumeist auf „Machine Learning“, aber auch zunehmend auf „Deep Learning“.

Historischer Rückblick

Diese Entwicklung begann bereits in den 1950er Jahren mit der Begriffsbestimmung der KI [25]. In der Medizin konnte 1972 mit MYCIN, einem mikrobiologischen Expertensystem, eine erste KI-Applikation etabliert werden [30]. Die ersten Professuren für KI-Forschung wurden in den 1980er Jahren eingerichtet und seit den 2000er Jahren kamen „Computer Aided Detection“-Anwendungen als Expertensysteme, z. B. zur Lungenrundherderkennung, zur Anwendung [24]. Zunehmende „Machine Learning“-Applikationen zur Mustererkennung drängen seit den letzten fünf Jahren auf den Markt. Kromrey zitiert die Federal Drug Administration (FDA), die 2021 feststellte, dass von ihr zugelassene KI-Systeme vor allem in der Radiologie verwendet werden, danach in geringerem Ausmaß in der Kardiologie und Onkologie [17].

Die Radiologie, als technologielastiges und -affines Teilgebiet der Medizin, eignet sich besonders für den Einsatz von KI, da radiologische Daten bereits digital vorhanden sind [17]. Die zunehmende Digitalisierung in der Medizin führt zu einer stetig ansteigenden und kaum noch zu bewältigenden Datenmenge, derentwegen die KI eine zunehmende Bedeutung bekommen wird [38].

KI-Applikationen in der Radiologie

KI-Applikationen in der Radiologie können interpretierende und nicht interpretierende Aufgaben übernehmen. Als interpretierende Anwendungen sind exemplarisch die Detektion von brustkrebsverdächtigen Bildmustern im Rahmen des Screenings [22] oder auch zur Erkennung von Frakturen, Hirnblutungen, Schlaganfällen oder Lungenarterienembolien zu nennen [17]. Bei den nicht interpretierenden Anwendungsmöglichkeiten kann eine KI Hilfestellung bei der Patientenlagerung, der Untersuchungsplanung, der Nachverarbeitung der Bilddaten und zur Unterstützung administrativer Aufgaben wie Abrechnung und Terminplanung leisten [3][31].

Einsatzmöglichkeiten für KI zeigen sich im gesamten Bereich der Leistungserbringung radiologischer Dienstleistungen, auch in der Terminplanung und Geräteauslastung [38]. KI soll zum einen das Ergebnis einer medizinischen Behandlung oder Diagnostik verbessern, zum anderen aber auch die Effizienz durch die Optimierung des Workflows erhöhen [35].

Anwendungen im Bundeswehrkrankenhaus Berlin

In der Abteilung Radiologie des Bundeswehrkrankenhauses Berlin werden KI-Applikationen bereits im Rahmen der Diagnostik und auch in der Bildakquisition genutzt. Seit Januar 2025 ist der AI-Manager der Firma Philips, Niederlande, eine Serverplattform für KI-Applikationen, in Betrieb. Im Rahmen der Regeneration der konventionellen Röntgengeräte konnte 2025 KI-gestützte automatische Einblendung von Röntgenaufnahmen beschafft werden, die die Anfertigung der Aufnahme beschleunigen, als auch die Dosis für die Patienten reduzieren können. Seit 2023 verfügen die MRT-Scanner des BwKrhs Berlin über eine umfassende KI-Unterstützung bei der Bildakquisition, die zum einen die Bildgebung erheblich beschleunigt, zum anderen auch die Auflösung der MRT-Aufnahmen signifikant verbessert.

Bewertung der bisherigen Erfahrung am BwKrhs Berlin

Mithilfe einer Literaturrecherche in den wissenschaftlichen Datenbanken (pubmed, Google Scholar) wurde der aktuelle Stand der Wissenschaft zum Themengebiet KI in der Radiologie mit den Erfahrungen aus der Implementierung von KI-Applikationen am BwKrhs Berlin abge­glichen. Im Rahmen der Einführung von KI in der Abteilung Radiologie wurden retrospektive und prospektive Erhebungen zur Validierung der Applikationen durchgeführt, die statistisch deskriptiv ausgewertet wurden.

Einsatzmöglichkeiten von KI in der Radiologie

Ein Großteil der erhältlichen KI-Systeme in der Radiologie übernimmt interpretierende, d. h. diagnostische Aufgaben [31], wie z. B. die Mustererkennung. Nicht interpretierende Aufgaben sind die schon erwähnten KI-Programme zur Dosisreduktion und Nachverarbeitung, aber auch zur Patientenpositionierung im Untersuchungsgerät und zur Worklist-Priorisierung [31]; letztere Anwendungen sind jedoch meist mit diagnostischen Funktionen kombiniert. Hirnblutungen, Gefäßverschlüsse oder Blutgerinnsel der Lungenarterien werden erkannt, markiert und die Befundung wird priorisiert, da ein pathologisch erkannter Befund in der Worklist des Radiologen gekennzeichnet wird [18][39]. Somit eignet sich diese KI zur Effizienzverbesserung im Sinne eines verbesserten Workflows und einer kürzeren Befundungszeit, aber auch zur früheren Krankheitserkennung und zur verbesserten diagnostischen Genauigkeit (Abbildung 1). Workflowverbesserungen können z. B. Unterstützung bei der Terminplanung, automatisierte Informationen via Textnachrichten für Patienten zur Terminsicherung und Extrapolation von Untersuchungszeiten sein [35].

Abb. 1: Einsatzmöglichkeiten für KI in der Radiologie. (Quelle: eigene Darstellung, modifiziert nach van Leeuwen et al. [35])

Die MT-R werden durch KI-unterstützte Festlegung von Scanbereichen, der Planung der Untersuchungsebenen und ihrer Nachverarbeitung unterstützt [17]. MT-R steht für Medizinische/r Technologe/-in für Radiologie und ist die neue Bezeichnung für den früheren Beruf des Medizinisch-Technischen Radiologieassistenten (MTRA) seit dem MTA-Reformgesetz. KI-gestützte Aufnahme und Nachverarbeitung der Untersuchungsbilder führen zu sehr guter Bildqualität, exzellenter Detailschärfe und natürlichem Bildkontrast bei reduzierter Dosierung [37]. Wie dargestellt betreffen KI-Anwendungsmöglichkeiten sowohl das ärztliche Personal als auch die medizinischen Technologen für Radiologie und das Unterstützungspersonal. Die Anwendung von KI in der Radiologie kann nicht nur eine personalisierte, patientenorientierte und hochdifferenzierte Diagnosestellung ermöglichen, sondern auch zur erhöhten Patientensicherheit bei möglichst geringer Strahlendosis und zum verbesserten radiologischen Workflow beitragen [37].

KI-Installationen bedürfen einer aufwändigen Einführung. Sowohl bei interpretierenden als auch bei nicht interpretierenden Anwendungen müssen nicht nur die Applikationen installiert, sondern auch Änderungen der Untersuchungsprogramme, des Arbeitsablaufs und Regeln für das Bildarchiv zur Weiterleitung von Bilddaten definiert werden. Die Applikationen müssen dann entsprechend konfiguriert und retro- sowie prospektiv mit eigenen Daten evaluiert und korrigiert werden.

Für die Bundeswehr kommen aus Gründen der militärischen Sicherheit nur Systeme in Betracht, die die Daten lokal verarbeiten. Cloudbasierte Systeme sind, auch in Bezug auf die Ausfallsicherheit, abzulehnen und nicht zu genehmigen. Auf den Markt der KI drängen derzeit unzählige Hersteller. Die Applikationen besitzen bedauerlicherweise oft eine niedrige klinische Evidenz. Die Website AI for Radiology listet hierzu, Stand August 2025, 265 erwerbbare Anwendungen sowie deren Zulassungsstudien und Zertifikate (z. B. CE, FDA) auf und ermöglicht hierzu eine Einschätzung [34][36].

KI in der radiologischen Diagnostik

Der Begriff Künstliche Intelligenz (KI) beschreibt in der radiologischen Diagnostik in der Regel „Machine Learning“, also eine Mustererkennung, geschult aus existierenden Daten. Die Algorithmen visualisieren hierbei den pathologischen Befund, dienen aber auch der Priorisierung der Befundung, indem als pathologisch detektierte Studien in den Arbeitslisten im Bildarchiv oder Radiologie-Informationssystem bereits markiert werden. Eine große Hoffnung wird in die Radionomics gesetzt. Hier werden Charakteristiken einer Aufnahme mittels Machine Learning analysiert, die mit dem menschlichen Auge nur schwer fassbar sind. Hier besteht die Hoffnung, auf histologische Probenentnahmen in der Zukunft verzichten zu können. Das präklinische Stadium haben diese Anwendungen jedoch noch nicht verlassen (Abbildung 2).

Abb. 2: Patient mit Grenzzoneninfarkt frontal links und beginnender hämorrhagischer Infarzierung: Die eingebluteten Areale wurden auch bei geringer Blutmenge zuverlässig markiert, die Berechnungszeit lag unter 2 Minuten.

Kommerziell verfügbare Produkte können z. B. Hirnblutungen oder Lungenembolien erkennen, Schlaganfälle auswerten oder Frakturen erkennen. Eine Applikation kann z. B. auch die Läsionslast bei Multiple-Sklerose-Patienten quantifizieren, was eine Verlaufsbeurteilung erleichtert [17]. Bei einer Anwendung zur Unterstützung des Brustkrebsscreenings konnte die künstliche Intelligenz bereits jetzt falsch positive und falsch negative Befunde besser als erfahrene Befunder erkennen und damit die Arbeitslast des Zweitbefunders um 88 % senken [22]. Sowohl auf der Seite der Anfertigung der Aufnahmen als auch auf der Seite der Befundung sind zeitnah weitere Anwendungen zu erwarten.

Die neuen Techniken wie das Photon Counting-CT, die neben praktisch rauschfreien hochauflösenden dünnschichtigen Bildaufnahmen auch noch mehrere analysierbare Energiestufen bieten, führen zu mehreren 10 000 Bildern pro Untersuchung und ermöglichen zudem eine Gewebedifferenzierung [7]. Ohne KI sind diese Bildmengen kaum noch zu bewältigen.

Für den AI-Manager übernimmt die Firma Blackford Analysis, Vereinigtes Königreich, die seit kurzem zum Bayer-Konzern gehört, den Vertrieb, die Installation und betreut die Evaluation der einzelnen Applikationen; Stand August 2025 sind hier 92 Anwendungen verfügbar [34].

Das BwKrhs Berlin verfügt nun über eine Applikation des französischen Herstellers Avicenna, Frankreich, zur Detektion von Hirnblutungen in nativen CT-Untersuchungen des Kopfes, zur Darstellung von Gefäßverschlüssen in CT-Kopf-/Halsangiographien und zum Nachweis von Lungenembolien (Abbildungen 3 und 4). Die in den Studien vorbeschriebene eindrucksvolle Genauigkeit konnte in retro- und prospektiven Untersuchungen auch im BwKrhs Berlin im Rahmen der Einführung belegt werden [11][23][33].

 

Abb. 3: Patient mit akuter Hemiparese links und NIHHS¹ > 6. Bei schlechtem arteriellem Kontrast aufgrund von hämodynamisch relevantem Vorhofflimmern erkennt die KI den Verschluss der A. cerebri media rechts im M2-Segment. Media-Trifurkation bds. als Anlagevariante (bei ca. 10 % der Bevölkerung). Der Patient wurde einer Thrombektomie zugeführt. Berechnungszeit unter 2 Minuten.

---

¹ NIHHS steht für National Institutes of Health Stroke Scale, ein standardisiertes Bewertungssystem zur Einschätzung des Schweregrades eines Schlaganfalls. Sie umfasst 11 Items, die neurologische Funktionen wie Bewusstsein, Sehvermögen und Motorik bewerten und daraus einen Gesamtscore zwischen 0 und 42 bilden. Ein höherer NIHSS-Wert deutet auf einen schwereren Schlaganfall hin, und die Skala wird zur Überwachung des Zustands des Patienten sowie zur Entscheidungsfindung über die Behandlung eingesetzt.

Abb. 4: Markierung einer Lungenarterienembolie bei Rechtsherzbelastung und entsprechend eingeschränkter Herzkreislaufzeit: Die hohe Thrombuslast wird zuverlässig markiert. Die Berechnung erforderte weniger als zwei Minuten

Des Weiteren wurde eine Anwendung zur Analyse von Röntgenbildern des Achsenskeletts mit Ausnahme des Schädels und der HWS der Firma Gleamer, Frankreich, eingeführt. Die Applikation ist in der Lage, Frakturen ab dem 18. Lebensjahr, Gelenkergüsse und Dislokationen von Gelenken zu detektieren. Ärzte mit KI arbeiten hier schneller und übersehen weniger Frakturen [1][12] (Abbildungen 5 und 6).

Abb. 5: Detektion einer Claviculafraktur und begleitender Rippenfrakturen (linkes Bild): Begleitverletzungen am Bildrand und bei führender Klinik im Bereich der Schulterregion können leicht übersehen werden. Darstellung einer Schultergelenkluxation (rechtes Bild); die Berechnungszeit betrug jeweils weniger als 2 Minuten.

Abb. 6: Markierung eines Gelenkergusses im Vergleich zur MRT als Hinweis auf einen Gelenkbinnenschaden im Röntgenbild; Berechnungszeit unter 2 Minuten.

Das BwKrhs Berlin führt für das Drehkreuz Nord das Tuberkulose-Screening durch. Insbesondere die Oberfelder der Lunge sind oft schwierig zu beurteilen, da knöcherne Strukturen hier die Lungenspitzen überlagern. Die Firma Riverrain aus den USA bietet hierzu eine Anwendung an, die die Röntgenaufnahmen des Thorax in knöcherne und nicht knöcherne Strukturen trennt. Eine Thoraxuntersuchung enthält dann zusätzlich ein virtuelles Bild ohne knöcherne Strukturen und ein Bild des Achsenskeletts. Rundstrukturen werden signifikant seltener übersehen [8] (Abbildung 7).

 

Abb. 7: Rundherd (Pfeil) im Unterfeld links und Darstellung in der Thoraxsubtraktion sowie Vergleich mit einer CT des Thorax: A) Ausgangsbild, (B) Subtraktion der knöchernen Strukturen, (C) Subtraktion der Weichteilstrukturen, (D) CT. Die Berechnung erfolgte in weniger als 2 Minuten.

Im August haben wir mit der Einführung einer KI-Anwendung zur Analyse von Prostata-MRT-Untersuchungen auf Hinweise für Prostatakarzinom begonnen. Multiparametrische Prostata-MRTs eignen sich besonders hierfür durch ihre hohe Standardisierung in Bildakquisition und Auswertung. Die Applikation ist in der Lage, nicht nur das Prostatavolumen und karzinomverdächtige Läsionen zu erkennen, sondern auch die klinische Relevanz (Aggressivität von Tumoren) einzuschätzen [9] (Abbildung 8).

 

Abb. 8: KI-gestützte Erkennung einer karzinomverdächtigen Läsion der Prostata, Einschätzung der klinischen Relevanz mittels PI-Score und Volumetrie.(Quelle: Lucida Medical, mit freundlicher Genehmigung)

Derzeit befinden wir uns in der Installations- und Testphase. Im Anschluss werden wir eine retrospektive Evaluation mit bereits vorliegenden MRT der Prostata anschließen. Dabei werden wir die Ergebnisse mit den bereits stattgefundenen Biopsien abgleichen. Bei positiver Evaluation folgt dann die prospektive Evaluation.

KI in der Bildakquisition

Die Vorhersage von genauen Akquisitionszeiten ist oft schwierig. Unruhige Patienten führen zu Bewegungsartefakten bei Untersuchungen mit dem Resultat der Sequenz- bzw. der Untersuchungswiederholung. Nicht korrekt eingelegte Untersuchungsebenen schränken die Vergleichbarkeit von Untersuchungen ein und können ebenfalls ergänzende Aufnahmen erfordern.

KI-Systeme sind in der Lage, die Qualität der Bilddaten durch Rauschunterdrückung zu verbessern und Aufnahmen mit eingeschränkter Bildqualität durch Atemartefakte mittels „Deep Learning“-Algorithmen so zu verbessern, dass eine Auswertung möglich ist [24][31]. In modernen CT-Scannern beschleunigen KI-unterstützte Assistenzsysteme den MT-R bei seiner Arbeit, indem die Scanbereiche für bestimmte Untersuchungsregionen bereits vorgeschlagen werden mit dem Ergebnis, dass die Untersuchungsbereiche komplett und möglichst strahlungsarm erfasst werden [17]. Ergänzende, zeitaufwändige und dosisintensive Zusatzscans werden so vermieden. Kamerasysteme positionieren den Patienten optimal und reduzieren hierdurch die Dosis.

KI-Systeme finden sich auch im Bereich der MRT. Hier wird bei fortschrittlichen MRT-Scannern die Untersuchungsplanung insoweit unterstützt, dass die Planung der Untersuchungsebenen automatisiert vorgeschlagen wird [17]. Hieraus resultiert eine hohe Vergleichbarkeit, ergänzende Sequenzen werden vermieden. Die Nachverarbeitung der akquirierten Bilddaten mit Rekonstruktion zusätzlicher Bildebenen oder Oberflächendarstellungen, Funktionsanalysen und Quantifizierungen ist sehr zeitaufwändig [17]. Hier sind ebenfalls KI-assistierte Workstations verfügbar.

In der kardiovaskulären Bildgebung, in der die Nachverarbeitung meist länger als die eigentliche Untersuchung dauert, kann KI Kosten reduzieren, indem die Bildakquisition assistiert, die Bildnachverarbeitung automatisiert und beschleunigt sowie die Diagnosestellung erleichtert werden [6]. Die Verkürzung der Untersuchung sowie die höhere Planbarkeit ermöglichen eine bessere Auslastung der Großgeräte und verlässlichere Terminplanung mit der Folge von kürzeren direkten und indirekten Wartezeiten.

Die beiden MRT am Standort Berlin verfügen über eine KI basierte Beschleunigungstechnik, die sowohl bis zu 3-mal kürzere Untersuchungszeiten als auch eine bis zu 65 % höhere Auflösung ermöglichen. Kürzere Untersuchungszeiten bedeuten einen höheren Patientenkomfort, weniger Bewegungsartefakte und dadurch besser auswertbare Untersuchungen.

Die 2025 neu installierten Röntgengeräte der Firma Siemens verfügen über „Auto Thorax Kollimation“ zur Einstellungsunterstützung. Das Untersuchungsfeld wird, KI-basiert, automatisch eingeblendet. Hierdurch kann die Untersuchungszeit für eine Röntgenuntersuchung laut Hersteller um bis zu 28 % reduziert und aufgrund der korrekten Einblendung der Dosis eingespart werden.

KI in der Administration

Im Fachgebiet der Radiologie erfolgt nicht nur die Bildakquisition in den meisten Fällen digital, sondern auch die Administration und Befundung sowie die Befundweiterleitung [27]. KI-assistierte Abrechnung, KI-unterstützte Befunderstellung und Terminplanung zählen zu nicht interpretierenden KI-Applikationen [31], die in ein Radiologie-Informationssystem (RIS) integriert werden können.

Moderne RIS dienen der Terminplanung und Administration der Patienten sowie der Erfassung der Strahlendosis und der Befunderstellung. Die Terminvergabefunktion in RIS unterstützt die Mitarbeiter radiologischer Einrichtungen, indem für bestimmte Untersuchungen Durchschnittszeiten hinterlegt wurden, das Programm den nächsten freien Termin anzeigt und vorschlägt, welche Untersuchungen an welchen Zeitpunkten und Standorten durchgeführt werden können. Hierdurch gelangen in einer Untersuchung eine Beschleunigung des Vorgangs der Terminierung, eine höhere Auslastung der Untersuchungsgeräte, verbesserter Personaleinsatz und kürzere Wartezeiten [14].

Eine KI-Unterstützung der Terminierung kann in drei Bereichen identifiziert werden:

• Terminplanung mit optimaler Geräteauslastung,
• Kalkulation von „Patient no-Shows“, das Nichterscheinen zu einem Termin, und
• Verspätungen sowie Vorhersagen der Untersuchungsdauer [38].

Für eine optimale Auslastung wird der bisher statische Algorithmus der Terminplanung, der sich aus der erfahrungsgemäßen Dauer der Untersuchung, der Verfügbarkeit der Großgeräte sowie der Wahrscheinlichkeit der Anforderung zusammensetzt [38] mit einer KI-gestützten Modellierung der Ressourcenzuweisung und Untersuchungssortierung ergänzt [3]. So kann eine KI die Zeit einer MRT-Untersuchung anhand der Fragestellung modellieren, das geeignete Untersuchungsgerät auswählen und das optimale Zeitfenster vorschlagen. Des Weiteren kann eine KI bei MRT-Untersuchungen häufige Spulenwechsel, das sind Umbauten am Gerät bei Untersuchungen unterschiedlicher Körperregionen, vermeiden, indem mehrere Untersuchungen der gleichen Körperregion gruppiert werden.

Die Berechnung von „Patient-no-Shows“ und die Vorhersage von zu erwartenden Verspätungen können die Auslastung ebenfalls verbessern. In einer Untersuchung von Chong et al. 2020 konnte mit der Einführung einer KI die Ausfallrate von 19,3 % auf 15,9 % gesenkt werden. Als Risikofaktoren konnten insbesondere das Patientenalter, die Wartezeit auf einen Untersuchungstermin und die Anzahl der Terminumbuchungen identifiziert werden und im geringen Ausmaß das Geschlecht, der Wohnort, Termine an bestimmten Wochentagen und bestimmte Zuweiser [2]. Die Zusendung einer Textnachricht zwei Tage vor dem Termin einer MRT-Untersuchung konnte in einer Studie die „Patient-no-Show“-Rate in einer Einrichtung um 25 % senken und hierdurch die Auslastung optimieren [21].

Ein KI-unterstütztes Informationssystem über das Mobilfunknetz kann die Wartezeit verkürzen, indem den Patienten „Realtime“-Informationen zum Zeitpunkt ihres Termins bei Verzögerungen oder Ausfällen von Terminen in der Klinik oder Praxis zur Verfügung gestellt werden [3].

Das KI-System der Firma General Electric, USA, verarbeitet Patienteninformationen mit Wetterdaten und weiteren Einflussfaktoren wie Wohnort bzw. Anreisezeit, um eine Wahrscheinlichkeit für „Patient-no-Shows“ sowie einen 5-Tage-Ausblick zu kalkulieren. Bei hohem Ausfallrisiko kann eine Doppelvergabe von Terminfenstern ­sinnvoll sein, um eine hohe Geräteauslastung zu ermöglichen. Je nach Patientenprofil kann eine frühere Einbestellung des Patienten das Verspätungsrisiko reduzieren, was aber mit höherer direkter Wartezeit einhergeht.

KI-Lösungen für administrative Tätigkeiten sind im BwKrhs Berlin noch nicht umgesetzt und zumindest nicht in der kurz- und mittelfristigen Planung. Im Rahmen begrenzter Ressourcen, insbesondere auf personeller Seite, im Gesundheitswesen und auch im Sanitätsdienst, sind diese jedoch langfristig in Betracht zu ziehen.

Fazit und militärischer Nutzen

Der Nutzen von künstlicher Intelligenz erreicht neben rein medizinischen Gesichtspunkten auch die Wehrmedizin. Als Schlüsselapplikationen werden hier Anwendungen zur Effizienzsteigerung und zur Entscheidungsunterstützung, zur Triage bzw. Priorisierung, zur personellen und logistischen Führungsunterstützung und zum Gesundheitsmonitoring benannt [20]. Gerade beim Massenanfall an Verwundeten (MASCAL) ist hier ein Nutzen erkennbar, insbesondere bei der Befundpriorisierung und Markierung pathologischer Befunde. KI führt zu schnellerer Diagnosefindung [4][32].

Besonders jüngere Patienten profitieren von Anwendungen zur Dosisreduktion, die verbesserte Bildqualität nutzt allen.

Der militärische Einsatz von KI ist mit Risiken verbunden. Machine-Learning-Systeme mit unpassenden Trainingssätzen führen zu fehlerbehafteten Ergebnissen. Der russische Angriffskrieg in der Ukraine demonstriert tagtäglich die Verletzlichkeit der kritischen Infrastruktur durch Cyberangriffe im Rahmen asymmetrischer Angriffe. Die Systeme müssen entsprechend resilient gestaltet und an militärische Anforderungen angepasst werden [26][28].

Des Weiteren müssen im Rahmen der Aus- und Weiterbildung Kenntnisse zur KI im (wehr-)medizinischen Setting, Stärken und Schwächen dieser Techniken vermittelt werden, da die Systeme zwar leistungsstark, aber nicht unfehlbar sind [29]. KI bei interpretierenden Systemen darf nicht als Erst-, sondern als supportive Zweitmeinung angewendet werden. Durch den Einsatz von KI kann der Aufenthalt in Notaufnahmen verkürzt und das Outcome verbessert werden [13][16]. Kleine vorgelagerte medizinische Einheiten mit Röntgenfähigkeit, ohne Facharzt für Radiologie, können hiervon profitieren [5][28].

Kernaussagen

• Künstliche Intelligenz in der Radiologie dient zur Entscheidungsunterstützung sowie Triage und Priorisierung.
• Künstliche Intelligenz erhöht die Patientensicherheit und Bildqualität.
• Künstliche Intelligenz kann die Auslastung und Effizienz radiologischer Untersuchungen erhöhen.
• Künstliche Intelligenz ist eine unterstützende, nicht eine ersetzende Technologie.

Literatur

1. Canoni-Meynet L, Verdot P, Danner A, Calame P, Aubry S. Added value of an artificial intelligence solution for fracture detection in the radiologist's daily trauma emergencies workflow. Diagn Interv Imaging. 2022 Dec;103(12):594-600. mehr lesen
2. Chong LR, Tsai KT, Lee LL, Foo SG, Chang PC. Artificial Intelligence Predictive Analytics in the Management of Outpatient MRI Appointment No-Shows. Am J Roentgenol. 2020 Nov;215(5):1155-1162. mehr lesen
3. Davendralingam N, Sebire NJ, Arthurs OJ, Shelmerdine SC. Artificial intelligence in paediatric radiology: Future opportunities. Br J Radiol. 2021 Jan 1;94(1117):20200975. mehr lesen
4. Del Gaizo AJ, Osborne TF, Shahoumian T, Sherrier R. Deep Learning to Detect Intracranial Hemorrhage in a National Teleradiology Program and the Impact on Interpretation Time. Radiol Artif Intell. 2024 Sep;6(5):e240067. mehr lesen
5. Dell'Aria A, Tack D, Saddiki N, Makdoud S, Alexiou J, De Hemptinne FX, Berkenbaum I, Neugroschl C, Tacelli N. Radiographic Detection of Post-Traumatic Bone Fractures: Contribution of Artificial Intelligence Software to the Analysis of Senior and Junior Radiologists. J Belg Soc Radiol. 2024 Apr 25;108(1):44. mehr lesen
6. Dey D, Slomka PJ, Leeson P, Comaniciu D, Shrestha S, Sengupta PP, Marwick TH. Artificial Intelligence in Cardiovascular Imaging: JACC State-of-the-Art Review. J Am Coll Cardiol. 2019 Mar 26;73(11):1317-1335. mehr lesen
7. Flohr T, Petersilka M, Henning A, Ulzheimer S, Ferda J, Schmidt B. Photon-counting CT review. Phys Med. 2020 Nov;79:126-136. mehr lesen
8. Freedman MT, Lo SC, Seibel JC, Bromley CM. Lung nodules: improved detection with software that suppresses the rib and clavicle on chest radiographs. Radiology. 2011 Jul;260(1):265-73. mehr lesen
9. Giganti F, Moreira da Silva N, Yeung M, Davies L, Frary A, Ferrer Rodriguez M, et al. AI-powered prostate cancer detection: a multi-centre, multi-scanner validation study. Eur Radiol. 2025 Aug;35(8):4915-4924. mehr lesen
10. Glauner P. Künstliche Intelligenz im Gesundheitswesen: Grundlagen, Möglichkeiten und Herausforderungen. In: Grinblat R, Etterer D, Plugmann D: Innovationen im Gesundheitswesen: Rechtliche und ökonomische Rahmenbedingungen und Potentiale. Berlin, Springer 2022, 143-160. mehr lesen
11. Grenier, PA, Ayobi A, Quenet S, et al. Deep learning-based algorithm for automatic detection of pulmonary embolism in chest CT angiograms. Diagnostics. 2023;13(7):1324. mehr lesen
12. Guermazi A, Tannoury C, Kompel AJ, et al., Improving radiographic fracture recognition performance and efficiency using artificial intelligence. Radiology. 2022;302(3):627-636. mehr lesen
13. Herpe G, Nelken H, Vendeuvre T, et al. Effectiveness of an artificial intelligence software for limb radiographic fracture recognition in an emergency department. J Clin Med. 2024;13(18):5575. mehr lesen
14. Hoppen A. Real-time scheduling: Assistance in resource planning. Radiologe. 2014;54:585-588. mehr lesen
15. Huang MH, Rust RT. Artificial intelligence in service. J Service Res. 2018;21(2): 155-172. mehr lesen
16. Jaillat A, Cyteval C, Baron Sarrabere MP, Ghomrani H, Maman Y, Thouvenin Y, Pastor M. Added value of artificial intelligence for the detection of pelvic and hip fractures. Jpn J Radiol. 2025 Jul;43(7):1166-1175. mehr lesen
17. Kromrey ML, Grothe S, Nell C, Rosenberg B. Künstliche Intelligenz in der Radiologie. Radiologie up2date. 2022;22(02):121-136. mehr lesen
18. Kundisch A, Hönning A, Mutze S, Kreissl L, Spohn F, Lemcke J, Sitz M, Sparenberg P, Goelz L. Deep learning algorithm in detecting intracranial hemorrhages on emergency computed tomographies. PLoS One. 2021 Nov 29;16(11):e0260560. mehr lesen
19. Langs G, Attenberger U, Licandro R, et al. Maschinelles Lernen in der Radiologie: Begriffsbestimmung vom Einzelzeitpunkt bis zur Trajektorie. Radiologe. 2020;60(1):6-14. mehr lesen
20. Leone RM, Chambers JA, Donham BP, Junker CA. Artificial Intelligence in Military Medicine. Mil Med. 2024 Aug 30;189(9-10):244-248. mehr lesen
21. Liu C, Harvey HB, Jaworsky C, Shore MT, Guerrier CE, Pianykh O. Text Message Reminders Reduce Outpatient Radiology No-Shows But Do Not Improve Arrival Punctuality. J Am Coll Radiol. 2017 Aug;14(8):1049-1054. mehr lesen
22. McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020 Jan;577(7788):89-94. mehr lesen
23. McLouth J, Elstrott S, Chaibi Y, Quenet S, Chang PD, Chow DS, Soun JE. Validation of a Deep Learning Tool in the Detection of Intracranial Hemorrhage and Large Vessel Occlusion. Front Neurol. 2021 Apr 29;12:656112. mehr lesen
24. Mentzel HJ. Künstliche Intelligenz bei Bildauswertung und Diagnosefindung: Was bringt das in der Kinder- und Jugendradiologie? [Artificial intelligence in image evaluation and diagnosis]. Monatsschr Kinderheilkd. 2021;169(8):694-704. mehr lesen
25. Pfannstiel MA. Einleitung „Künstliche Intelligenz im Gesundheitswesen “, in Künstliche Intelligenz im Gesundheitswesen: Entwicklungen, Beispiele und Perspektiven. Springer Gabler Wiesbaden, 2022, 1-47. mehr lesen
26. Rashid AB, Kausik AK, Sunny AAH, Bappy MH. Artificial intelligence in the military: An overview of the capabilities, applications, and challenges. Intern J Intell Syst. 2023;2023(4):1-31. mehr lesen
27. Schneider MA. Künstliche Intelligenz in der Bildgebung: Möglichkeiten und Limitationen der Technik in der Radiologie. Uro-News. 2023;27(4):50-58. mehr lesen
28. Sen D, Chakrabarti R, Chatterjee S, Grewal DS, Manrai K. Artificial intelligence and the radiologist: the future in the Armed Forces Medical Services. BMJ Mil Health. 2020 Aug;166(4):254-256. mehr lesen
29. Spirnak JR, Antani S. The Need for Artificial Intelligence Curriculum in Military Medical Education. Mil Med. 2024 May 18;189(5-6):954-958. mehr lesen
30. Stallkamp J, Horsch J, Karstensen L. KI-Systeme für die nächste Medizintechnikgeneration. In: Pfannstiel M (ed.): Künstliche Intelligenz im Gesundheitswesen. Berlin: Springer 2022:153-174. mehr lesen
31. Tadavarthi Y, Makeeva V, Wagstaff W, Zhan H, Podlasek A, Bhatia N, et al. Overview of Noninterpretive Artificial Intelligence Models for Safety, Quality, Workflow, and Education Applications in Radiology Practice. Radiol Artif Intell. 2022 Feb 2;4(2):e210114. mehr lesen
32. Temmen SE, Becks MJ, Schalekamp S, van Leeuwen KG, Meijer FJA. Duration and accuracy of automated stroke CT workflow with AI-supported intracranial large vessel occlusion detection. Sci Rep. 2023 Aug 2;13(1):12551. mehr lesen
33. Vallée A, Quint R, Laure Brun A, Mellot F, Grenier PA. A deep learning-based algorithm improves radiology residents' diagnoses of acute pulmonary embolism on CT pulmonary angiograms. Eur J Radiol. 2024 Feb;171:111324. mehr lesen
34. van Leeuwen KG. Radiology Health AI Register. 2025 [cited 2025 07.08.2025]; Available from: https://healthairegister.com/radiology/products. mehr lesen
35. van Leeuwen KG, de Rooij M, Schalekamp S, van Ginneken B, Rutten MJCM. How does artificial intelligence in radiology improve efficiency and health outcomes? Pediatr Radiol. 2022 Oct;52(11):2087-2093. mehr lesen
36. van Leeuwen KG, Schalekamp S, Rutten MJCM, van Ginneken B, de Rooij M. Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol. 2021 Jun;31(6):3797-3804. mehr lesen
37. Vogl TJ, Mader C, Booz C, Koch V, Bernatz S. Künstliche Intelligenz in der Radiologie: Wo stehen wir? Wo kann es hingehen? Radiopraxis.2021;14(01): 10-19. mehr lesen
38. Widmer S. Welchen Einfluss hat künstliche Intelligenz auf die Prozesse einer radiologischen Praxis in der Schweiz? Masterthesis School of Management and Law. Winterthur: Zürcher Hochschule für angewandte Wissenschaften, 2022. mehr lesen
39. Wiklund P, Medson K, Elf J. Incidental pulmonary embolism in patients with cancer: prevalence, underdiagnosis and evaluation of an AI algorithm for automatic detection of pulmonary embolism. Eur Radiol. 2023 Feb;33(2):1185-1193. mehr lesen

Bildquellen: alle Abteilung für Radiologie, BwKrhs Berlin. Ausnahme gekennzeichnet.

Erklärung zum Interessenkonflikt

Die Verfasserinnen und Verfasser erklären, dass keine Interessenkonflikte im Sinne der Vorgaben des International Committee of Medical Journal Editors bestehen.

WMM 2025–69(12)524A

Manuskriptdaten

Zitierweise

Schneider TP, Pecher H, Preiß M, Tillmann AM. Künstliche Intelligenz in der Radiologie: Erste Erfahrungen aus dem Bundeswehrkrankenhaus Berlin. WMM 2025;69(12):517-524.

DOI: https://doi.org/10.48701/opus4-788

Für die Verfasser

Flottillenarzt Dr. Tobias Peter Schneider, MBA

Abteilung VIII – Radiologie

Bundeswehrkrankenhaus Berlin

Scharnhorststraße 13, 10115, Berlin

E-Mail: tobiasschneider@bundeswehr.org

Manuscript Data

Citation

Schneider TP, Pecher H, Preiß M, Tillmann AM. [Artificial Intelligence in Radiology: Initial Experiences at the Bundeswehr Hospital Berlin]. WMM 2025;69(12):517-524.

DOI: https://doi.org/10.48701/opus4-788

For the Authors

Commander (Navy MC) Dr. Tobias Peter Schneider, MBA

Department of Radiology,

Bundeswehr Hospital Berlin

Scharnhorststraße 13, D-10115, Berlin

E-Mail: tobiasschneider@bundeswehr.org